ملاقات ، یادگیری ، به اشتراک گذاری: بهینه سازی Kubernetes و انقلابی در تجربه مشتری با AWS – گروه کاربر AWS Toronto Meetup Recap

در گروه کاربر AWS تورنتو ، بازخورد جامعه در قلب کاری است که ما انجام می دهیم.
بعد از هر رویداد ، ما با دقت به آنچه شرکت کنندگان ما می خواهند در آینده بیاموزند گوش می دهیم. مأموریت ما کمک به علاقه مندان به ابر ، سازندگان و علاقه مندان به فناوری است که با آوردن موضوعات مهم و تقاضا به ملاقات های ما ، مهارت های خود را رشد می دهند.

یکی از موضوعات متداول که ما شنیدیم ، علاقه شدید به بهینه سازی Kubernetes بود-به همراه تمایل به کشف خدمات جدید AWS و راه حل های تجربه مشتری محور AI.

ما شما را شنیدیم

بنابراین ، در 24 آوریل 2025 ، ما میزبان یک عصر بسته بندی شده با محوریت دو موضوع بسیار درخواستی بودیم:

1. بهینه سازی منابع Kubernetes خودکار

2. آینده تجربه مشتری با Amazon Connect و Amazon Q

این شبی پر از بینش فنی ، نسخه های نمایشی در دنیای واقعی و ارتباطات با ارزش جامعه بود.
در اینجا یک بازپرداخت کامل از هر آنچه را که ما پوشش داده ایم آورده شده است.

🔹 جلسه 1: بهینه سازی منابع Kubernetes خودکار

بلندگو: اندرو هیلیر ، CTO و بنیانگذار @ Densify

نمای کلی:
اندرو هیلیر عصر را با پرداختن به یک چالش اساسی برای عملیات Kubernetes افتتاح کرد: نحوه مدیریت CPU و منابع حافظه به طور مؤثر.
در Kubernetes ، منابع تأثیر مستقیمی بر عملکرد برنامه ، ثبات محیط و هزینه های عملیاتی دارند.

در حالی که Kubernetes انعطاف پذیر است ، اندرو تأکید کرد که بیشتر سازمان ها یا بیش از حد ارائه شده (منجر به هزینه غیر ضروری) یا تأمین نشده (باعث بی ثباتی و خرابی) می شوند-به این دلیل که مدیریت منابع به صورت دستی در مقیاس بسیار دشوار است.

مباحث کلیدی تحت پوشش (توضیح داده شده):

1. چرا بهینه سازی منابع اهمیت دارد
   منابعی مانند CPU و حافظه برای عملکرد کانتینر اساسی هستند:

   • بارهای کاری تحت تأمین نشده باعث لرزش ، تأخیر و تصادفات احتمالی می شود.
   • بارهای بیش از حد ارائه شده زیرساخت های زباله ، صورتحساب های ابری را بدون هیچ گونه فایده ای باد می کند. بهینه سازی منابع به درستی منجر به قابلیت اطمینان سیستم بهتر ، تجربه مشتری و کنترل هزینه می شود.

2. چرا بهینه سازی دستی شکست می خورد
   اندرو توضیح داد که چرا تکیه بر قضاوت انسانی برای تعیین محدودیت های منابع و درخواست ها پایدار نیست:

   • بارهای کار بر اساس زمان ، فصل و رفتار کاربر به طور مداوم در نوسان است.
   • خدمات میکروسرویس دارای وابستگی متقابل پیچیده ای هستند. مسئله عملکرد در یک سرویس می تواند آبشار باشد.
   • توسعه دهندگان غالباً بیش از حد نیاز به “ایمن بودن” دارند و در نتیجه هزینه های زیرساختی تورم سیستماتیک ایجاد می شود.
   • بدون تجزیه و تحلیل و تنظیم مداوم ، حتی سیستم های خوب طراحی شده با گذشت زمان ناکارآمد می شوند.

3. اتوماسیون هوشمند: مرحله بعدی
   اتوماسیون بهینه سازی واقعی به تجزیه و تحلیل عمیق نیاز دارد ، نه فقط مقیاس واکنشی:

   • تجزیه و تحلیل بار کاری تاریخی برای پیش بینی سطح منابع ایمن و کارآمد مورد نیاز است.
   • همبستگی در بین خدمات تضمین می کند که وابستگی ها رعایت می شوند.
   • توصیه ها باید در مقیاس ، غالباً از طریق خطوط لوله GITOPS یا به روزرسانی های API به مانیفست های Kubernetes و نمودارهای کلاه ایمنی عمل کنند.

هدف بهینه سازی مداوم است ، جایی که راندمان خوشه بدون قربانی عملکرد یا ثبات بهبود می یابد.

خلاصه نسخه ی نمایشی زنده:
اندرو نشان داد:

• ضبط تله متری بار واقعی.
• تجزیه و تحلیل با استفاده از مدل های یادگیری ماشین برای پیشنهاد CPU جدید و تنظیمات حافظه.
• کاربرد مبتنی بر GITOPS از این توصیه ها به صورت ایمن و قابل تکرار.

نتیجه: کاهش هزینه های ابر ، قابلیت اطمینان بالاتر و حداقل مداخله دستی.

سوالات مخاطبان:
سوالات کلیدی در طول جلسه شامل:

• چگونه می توان در هنگام بهینه سازی خدمات دولتی را اداره کرد؟
• چه استراتژی هایی هنگام تغییر منابع غلاف از شروع طوفان ها جلوگیری می کنند؟
• چگونه می توان بهینه سازی را با گردش کار DevOps و CI/CD ادغام کرد؟

🔹 جلسه 2: آینده تجربه مشتری با Amazon Connect و Amazon Q

بلندگو: Manush Parikh ، مدیر ، Solutions Architect @ Scalecapacity

نمای کلی:
Manush Parikh با توجه به تمرکز مشتری ، چگونه مشاغل می توانند تجربه های مشتری سریعتر ، باهوش تر و شخصی تر را با استفاده از Amazon Connect و Amazon Q ارائه دهند.

مشتریان مدرن از پشتیبانی یکپارچه خواستار هستند ، و AWS با ادغام زیرساخت های مقیاس پذیر با هوش محور AI ، آنچه را که برای مراکز تماس ابری امکان پذیر است ، تعریف کرده است.

مباحث کلیدی تحت پوشش (توضیح داده شده):

1. Amazon Connect: تعریف مجدد مرکز تماس
   Manush توضیح داد که Amazon Connect چگونه فراهم می کند:

   • استقرار سریع: طی چند ساعت و بدون مهندسی سنگین ، یک مرکز تماس را راه اندازی کنید.
   • پشتیبانی Omnichannel: مدیریت صدا ، گپ ، پیام کوتاه ، ویدیو – بر روی یک پلتفرم یکپارچه.
   • تحلیلی در زمان واقعی: نظارت بر عملکرد ، زمان انتظار ، بهره وری عامل در زمان واقعی.
   • مکانهای کاری عامل یکپارچه: نمایندگان را قادر می سازد در طول تعامل ، زمینه مشتری کامل را داشته باشند.
   • ابزارهای مدیریت نیروی کار: تقاضای پیش بینی ، نمایندگان برنامه ، بهینه سازی کارکنان.

2. Amazon Q در Connect: AI تولیدی برای سرویس باهوش تر
   Manush Amazon Q را به عنوان یک تقویت انقلابی برای اتصال معرفی کرد:

• کمک در زمان واقعی:

  • q مکالمات را به صورت زنده تجزیه و تحلیل می کند و پاسخ ها ، مقالات یا اقدامات را توصیه می کند.

• ادغام پایه دانش:

  • پاسخ ها را از سؤالات متداول سازمانی ، اسناد سیاست گذاری و مقالات پشتیبانی می کند.

• تعامل شخصی:

  • پاسخ های خیاطی بر اساس سابقه مشتری ، وضعیت عضویت و داده های فعال موردی.

• GuardRails و حاکمیت:

  • سرپرستان می توانند لحن Q ، دسترسی به اطلاعات را کنترل کنند و توهم را محدود کنند.

با تعبیه آمازون Q ، مشاغل بار عامل را کاهش می دهند ، کیفیت پاسخ را تقویت می کنند و به نرخ وضوح با وضوح اول در ابتدا می رسند.

خلاصه نسخه ی نمایشی زنده:
Manush یک مورد استفاده در دنیای واقعی را ارائه داد:

• مشتری در مورد لغو رزرو اجاره تماس گرفت.
• Amazon Q فوراً سیاست های لغو را کشید.
• این یک پاسخ دقیق و شخصی برای نماینده ارائه داد.
• این گزینه گزینه های بالقوه upsell را پیشنهاد می کند (به عنوان مثال ، به جای لغو برنامه ریزی مجدد).

این جریان مسیرهای وضوح با کمک AI ، خدمات شخصی سازی شده و کاهش متوسط ​​زمان کار را نشان می دهد.

سوالات مخاطبان:
منوش سؤالاتی مانند:

• هنگامی که Amazon Q به پایگاه های دانش داخلی دسترسی پیدا می کند ، حریم خصوصی داده ها چگونه اجرا می شود؟
• چگونه می توانید پاسخ های تولید شده توسط AI را حسابرسی و نظارت کنید؟
• چه استراتژی هایی امکان پذیر است که آمازون اتصال را برای عملیات چند مارک و چند منطقه متصل کند؟

وی بر کنترل های دقیق دسترسی ، معماری سازگار با انطباق و پایه های دانش تنظیم شده برای سازمان های پیچیده تأکید کرد.

👥 شبکه سازی جامعه
عصر با بحث های پر جنب و جوش بین توسعه دهندگان ، معماران ، مهندسان DevOps و متخصصان CX به پایان رسید.

مضامین مانند بهینه سازی خوشه های Kubernetes ، تعبیه هوش مصنوعی در خدمات به مشتری و اتوماسیون عملیات با خیال راحت بر مکالمات حاکم است.

🔗 در ارتباط باشید
ما در حال ساختن یک جامعه AWS فراگیر و فنی متمرکز در اینجا در تورنتو هستیم. اگر علاقه مند به فن آوری های ابر بومی ، هوش مصنوعی و نوآوری هستید ، به ما بپیوندید:

🔗 گروه کاربر AWS تورنتو در LinkedIn
📅 AWS و تورنتو در Meetup

💬 نوبت شما
آیا استراتژی های بهینه سازی Kubernetes را پیاده سازی کرده اید؟
آیا شما شروع به استفاده از دستیاران هوش مصنوعی مانند Amazon Q می کنید؟
ما دوست داریم در مورد تجربیات شما بشنویم – نظر زیر را بیان کنید!

–
بانی دلودیا
گروه کاربر AWS رهبر تورنتو | سازنده جامعه AWS